Pilot ansehen
Forschung & Methodik

Forschungsbasis und Wertmethodik

Veröffentlichte Software-Engineering-Forschung informiert die Wirkungshypothesen hinter dem FASAPP Value Model. Definierte Zielzustands-Szenarien übertragen diese Erkenntnisse in Referenzwerte, die anschliessend gegen Kunden-Baselines geprüft werden können.

01
Veröffentlichte Forschung

Was die Forschung zeigt

Die Evidenzbasis umfasst Software-Wiederverwendung, modellgetriebene Entwicklung, Traceability und Impact-Analyse, Konsistenz in Continuous Delivery sowie Wissenstransfer in verteilten Delivery-Strukturen.

Software-Wiederverwendung

Industrielle Forschung zeigt, dass systematische Wiederverwendung Folgeaufwand reduzieren und Delivery Economics verbessern kann, wenn wiederverwendbare Grundlagen bewusst erstellt, gepflegt und auf vergleichbare Arbeit angewendet werden.

Ausgewählte Literatur: Chen et al. (2024); Mohagheghi & Conradi (2007); Krüger & Berger (2020)

Modellgetriebene und visuelle Entwicklung

Empirische Studien berichten Produktivitätsvorteile bei klar abgegrenzten Entwicklungsaufgaben, wenn Implementierungsarbeit in Richtung strukturierter Modelle, höherer Abstraktionen oder Low-Code-Entwicklungsumgebungen verschoben wird.

Ausgewählte Literatur: Gao et al. (2026); Varajão et al. (2023); Kamma & Sasi Kumar (2014)

Traceability und Impact-Analyse

Forschung zu Traceability zeigt, dass explizite Beziehungen zwischen Artefakten Qualität und Effizienz von Change-Impact-Analysen verbessern und den Aufwand zum Verständnis nachgelagerter Auswirkungen reduzieren können.

Ausgewählte Literatur: Mäder & Egyed (2015)

Konsistenz und Continuous Delivery

Forschung zu Konsistenzmanagement und DevOps-Traceability unterstreicht den Wert, zusammengehörige Entwicklungsartefakte abgestimmt zu halten und die Herkunft technischer Änderungen über sich weiterentwickelnde Systeme hinweg zu bewahren.

Ausgewählte Literatur: Jongeling et al. (2022); Pauzi et al. (2023)

Verteilte Delivery und Wissenstransfer

Empirische Arbeiten zu verteilter und mehrparteilicher Software-Delivery dokumentieren wiederkehrende Koordinations- und Wissenstransferprobleme, wenn Systemverständnis über Teams, Lieferanten oder Organisationsgrenzen fragmentiert bleibt.

Die ausgewählte Literatur umfasst Forschung zum öffentlichen Sektor und zu verteilter Delivery aus der Evidenzbasis der Studie.
02
Evidenztypen

Veröffentlichte Evidenz, Modellwerte, Berechnungen und Kundenergebnisse

Die Methodik trennt diese Zahlentypen, damit Evidenz aus externen Publikationen, modellierten Referenzszenarien, mathematischen Übertragungen und kundenspezifischen Messungen korrekt interpretiert wird.

Typ Bedeutung Verwendung
EXTERNAL Evidenz oder Zahlen aus einer externen Publikation. Stützt den empirischen Kontext und die erwartete Wirkungsrichtung.
MODEL Szenariowerte für eine definierte Einheit von Frontend-Delivery-Arbeit bei ausgereifter Produktfähigkeit. Liefert vergleichbare FASAPP-Referenzwerte für Fit-qualifizierte Szenarien.
CALC Eine mathematische Übertragung eines anderen dokumentierten Inputs. Wird verwendet, wenn ein veröffentlichter oder modellierter Wert in eine andere Darstellung überführt wird.
CUSTOMER Werte, die gegen eine dokumentierte Kunden-Baseline ermittelt wurden. Wird zur Bewertung beobachteter Ergebnisse in einem realen Delivery-Kontext verwendet.
03
Wertmethodik

Von veröffentlichter Evidenz zu testbaren Referenzszenarien

Die öffentliche Methodik zeigt, wie Forschung verwendet wird, um definierte Frontend-Delivery-Szenarien zu rahmen, Referenzwerte für eine ausgereifte Produktfähigkeit abzuleiten und für die Kundenvalidierung vorzubereiten.

1 Veröffentlichte Forschung

Evidenz zu Wiederverwendung, Produktivität, Traceability, Konsistenz und Wissenstransfer.

2 Definierte Frontend-Delivery-Szenarien

Klar abgegrenzte Arbeitseinheiten, für die der relevante Delivery-Effekt bewertet werden kann.

3 Referenzwertmodell

Referenzwerte für passende Szenarien bei ausgereifter Produktfähigkeit.

4 Kunden-Baseline-Validierung

Beobachteter Aufwand wird mit einer dokumentierten Baseline in einem realen Delivery-Kontext verglichen.

Umfang der öffentlichen Methodik. Detaillierte interne Analysestrukturen und Berechnungsartefakte, die zur Konstruktion des vollständigen Value Models verwendet werden, werden auf dieser Seite nicht veröffentlicht.
04
Referenzwerte

Erwartete Effekte bei ausgereifter Produktfähigkeit

Die öffentlichen Referenzwerte fassen den erwarteten Effekt auf den aktiven Aufwand für vier wiederkehrende Frontend-Delivery-Szenarien zusammen.

Zahlentyp: MODEL
Business Case Referenz Bezugsgrösse
Portfolio Change EfficiencyCHANGE ~30% Weniger aktiver Aufwand für adressierbare wiederkehrende Frontend-Änderungen
New Module DeliveryBUILD ~30% Weniger aktiver Aufwand bis zu einer review-fähigen Frontend-Baseline
Controlled Rollout and ReuseSCALE ~40% Weniger adressierbarer Folgeaufwand für einen geeigneten Rollout
Regulated Change GovernanceGOVERN ~20-25% Weniger aktiver Aufwand für definierte technische Impact- und Evidenzarbeit

Interpretation

Die Referenzwerte beschreiben die erwartete Reduktion des aktiven Aufwands innerhalb klar definierter, adressierbarer Frontend-Delivery-Szenarien bei ausgereifter Produktfähigkeit. Kundenspezifische Ergebnisse werden gegen eine tatsächliche Baseline ermittelt.

05
Kundenvalidierung

Referenzszenarien werden durch Messung zu Kundenevidenz

Ein Pilot etabliert die Baseline für ein ausgewähltes Delivery-Szenario, wendet FASAPP auf dieselbe Klasse von Arbeit an und vergleicht das beobachtete Ergebnis mit der dokumentierten Baseline und dem Referenzmodell.

  1. 01
    Baseline

    Aktuellen Prozess, Scope und aktiven Aufwand für die ausgewählte Arbeitseinheit dokumentieren.

  2. 02
    Anwenden

    FASAPP innerhalb des vereinbarten Szenarios und der betrieblichen Rahmenbedingungen einsetzen.

  3. 03
    Messen

    Beobachteten Aufwand sowie relevante Qualitäts- oder Delivery-Bedingungen erfassen.

  4. 04
    Vergleichen

    Das beobachtete Kundenergebnis gegen die dokumentierte Baseline und MODEL-Referenz bewerten.

Pilot ansehen
06
Ausgewählte Referenzen

Öffentliche Forschung in der Evidenzbasis

Die folgenden Referenzen bilden die externe Evidenzbasis der Value Impact Study.

  1. Gao, D., Fagerholm, F. & Toivanen, V. (2026).What does current research say about the viability of low-code development? A systematic literature review. Journal of Systems and Software, 239, Article 112893. DOI: 10.1016/j.jss.2026.112893.
  2. Bucaioni, A., Cicchetti, A. & Ciccozzi, F. (2022).Modelling in low-code development: a multi-vocal systematic review. Software and Systems Modeling, 21, 1959-1981. DOI: 10.1007/s10270-021-00964-0.
  3. Varajão, J., Trigo, A. & Almeida, M. (2023).Low-code Development Productivity: Is winter coming for code-based technologies? Queue, 21(5), 87-107. DOI: 10.1145/3631183.
  4. Kamma, D. & Sasi Kumar, G. (2014).Effect of Model Based Software Development on Productivity of Enhancement Tasks – An Industrial Study. 21st Asia-Pacific Software Engineering Conference, 71-77. DOI: 10.1109/APSEC.2014.20.
  5. Bjarnason, E., Lang, F. & Mjöberg, A. (2023).An empirically based model of software prototyping: a mapping study and a multi-case study. Empirical Software Engineering, 28, Article 115. DOI: 10.1007/s10664-023-10331-w.
  6. Chen, X., Usman, M. & Badampudi, D. (2024).Understanding and evaluating software reuse costs and benefits from industrial cases – A systematic literature review. Information and Software Technology, 171, 107451. DOI: 10.1016/j.infsof.2024.107451.
  7. Mohagheghi, P. & Conradi, R. (2007).Quality, productivity and economic benefits of software reuse: a review of industrial studies. Empirical Software Engineering, 12(5), 471-516. DOI: 10.1007/s10664-007-9040-x.
  8. Krüger, J. & Berger, T. (2020).An Empirical Analysis of the Costs of Clone- and Platform-Oriented Software Reuse. ESEC/FSE 2020, 432-444. DOI: 10.1145/3368089.3409684.
  9. Mäder, P. & Egyed, A. (2015).Do developers benefit from requirements traceability when evolving and maintaining a software system? Empirical Software Engineering, 20(2), 413-441. DOI: 10.1007/s10664-014-9314-z.
  10. Schneider, S., Díaz Ferreyra, N. E., Quéval, P.-J., Simhandl, G., Zdun, U. & Scandariato, R. (2024).How Dataflow Diagrams Impact Software Security Analysis: an Empirical Experiment. SANER 2024, 952-963. DOI: 10.1109/SANER60148.2024.00103.
  11. Tian, F., Wang, T., Liang, P., Wang, C., Khan, A. A. & Babar, M. A. (2021).The impact of traceability on software maintenance and evolution: a mapping study. arXiv:2108.02133.
  12. Jongeling, R., Ciccozzi, F., Carlson, J. & Cicchetti, A. (2022).Consistency management in industrial continuous model-based development settings: a reality check. Software and Systems Modeling, 21, 1511-1530. DOI: 10.1007/s10270-022-01000-5.
  13. Pauzi, Z., Thind, R. & Capiluppi, A. (2023).Artifact Traceability in DevOps: An Industrial Experience Report. EASE 2023, 180-183. DOI: 10.1145/3593434.3593451.
  14. Ajimati, M. O., Carroll, N. & Maher, M. (2025).Adoption of low-code and no-code development: A systematic literature review and future research agenda. Journal of Systems and Software, 222, Article 112300. DOI: 10.1016/j.jss.2024.112300.
  15. Käss, S., Strahringer, S. & Westner, M. (2023).A Multiple Mini Case Study on the Adoption of Low Code Development Platforms in Work Systems. IEEE Access, 11, 118762-118786. DOI: 10.1109/ACCESS.2023.3325092.
  16. Stegmann, L., Berendorf, R., Zimmermann, S. K. & Weeger, A. (2024).Balancing Risks and Opportunities in the Governance of Low Code Development Platforms. Proceedings of the 32nd European Conference on Information Systems.
  17. Forsgren, N., Storey, M.-A., Maddila, C., Zimmermann, T., Houck, B. & Butler, J. (2021).The SPACE of Developer Productivity. Queue, 19(1), 20-48. DOI: 10.1145/3454122.3454124.
  18. DORA / Google Cloud (2024).Accelerate State of DevOps 2024 Report.
  19. Herbsleb, J. D. & Mockus, A. (2003).An Empirical Study of Speed and Communication in Globally Distributed Software Development. IEEE Transactions on Software Engineering, 29(6), 481-494. DOI: 10.1109/TSE.2003.1205177.
  20. Lassenius, C., Mohagheghi, P. & Seide Molléri, J. (2025).Bringing it home: successful backsourcing of software development in the public sector. Empirical Software Engineering, 30, Article 170. DOI: 10.1007/s10664-025-10722-1.

Die oben aufgeführten Referenzen bilden die externe Evidenzbasis der Value Impact Study. Sie informieren Forschungserkenntnisse, Benchmark-Kontext, Messentscheidungen, Realisierungsbedingungen und methodische Grenzen. Proprietäre Modellkonstruktions- und Source-Mapping-Logik wird nicht veröffentlicht.